深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 42913 篇文献，本页显示第 161 - 180 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2026-04-04 |
Generating Dynamic Structures Through Physics-Based Sampling of Predicted Inter-Residue Geometries
2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202518469
PMID:41566646
|
研究论文 | 本文提出了一种名为trRosettaX2-Dynamics（trX2-D）的创新方法，通过结合深度学习预测与基于物理的采样技术，来预测蛋白质的动态结构和替代构象 | trX2-D基于CASP15和CASP16获奖方法trRosettaX2，采用基于物理的迭代采样策略处理预测的残基间几何分布，无需先验知识即可生成动态结构，这是对现有静态结构预测方法的重要扩展 | 方法依赖于预训练和微调数据，可能受限于可用高分辨率X射线结构和动态NMR结构的数量与质量，且未明确讨论计算效率或大规模应用的可行性 | 旨在解决蛋白质动态结构和替代构象预测的未解问题，推动蛋白质结构预测领域的发展 | 蛋白质的动态结构和替代构象 | 机器学习 | NA | 深度学习，基于物理的采样，X射线结构分析，NMR结构分析 | Transformer | 蛋白质结构数据（高分辨率X射线结构和动态NMR结构） | 预训练使用高分辨率X射线结构，微调使用约7000个动态NMR结构 | NA | Transformer-based neural network | 在三个数据集上进行了基准测试，具体指标未明确说明，但涉及替代构象和动态结构的预测准确性 | NA |
| 162 | 2026-04-04 |
AGEP_TWAS: A Deep Learning-Based Framework for Predicting Gene Expression Levels in Tissues
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3663364
PMID:41666075
|
研究论文 | 本文提出了一种基于深度学习的基因表达预测框架AGEP_TWAS，用于跨组织预测基因表达水平，并应用于转录组范围关联研究 | 利用密集连接网络、自适应激活函数和参数剪枝策略，通过核心基因（标志基因）预测其他基因的表达水平，解决了传统方法效率低且忽略缺失SNP的问题 | 未明确说明模型在跨物种或更广泛组织类型中的泛化能力，以及计算资源需求的具体细节 | 开发一种高效准确的基因表达预测方法，以支持转录组范围关联研究 | 人类GEO表达数据集和牛CattleGTEx数据集中的基因表达数据 | 机器学习 | NA | 基因表达预测，转录组范围关联研究 | 深度学习 | 基因表达数据 | 未明确指定样本数量，涉及人类GEO数据集和牛CattleGTEx数据集 | 未指定 | 密集连接网络 | 均方误差（MSE），皮尔逊相关系数（PCC） | 未指定 |
| 163 | 2026-04-04 |
Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3663936
PMID:41671139
|
研究论文 | 本文提出了一种名为DenseTrack的新型细胞追踪算法，结合深度学习和基于数学模型的策略，用于在密集3D显微镜视频中有效追踪细菌生物膜中的细胞 | 将细胞追踪问题构建为基于深度学习的时间序列分类任务，并利用分类器的置信度分数解决约束的一对一匹配优化问题，同时提出基于特征分解的细胞分裂检测策略 | NA | 解决密集环境中自动细胞追踪的对应关系不准确和亲子关系识别错误的问题 | 细菌生物膜中的密集细胞 | 计算机视觉 | NA | 3D延时成像，荧光成像 | 深度学习 | 3D时间序列图像 | NA | NA | NA | 定性评估，定量评估 | NA |
| 164 | 2026-04-04 |
SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3665199
PMID:41697814
|
研究论文 | 本文提出了一种基于结构因果视角的数据插补方法SCImputation，通过改进邻居选择和利用后门调整公式来缓解特征混淆问题 | 从结构因果视角分析数据插补问题，揭示目标特征作为混淆因子的作用，并提出结合实例级和特征级信息的邻居选择策略以及后门调整公式 | 未明确说明方法在高维数据或极端缺失率下的性能限制，也未讨论计算复杂度增加的具体影响 | 开发一种能够缓解特征混淆的数据插补方法，提高缺失值估计的准确性和可靠性 | 缺失数据的插补问题，特别是在生物医学和一般应用中的数据 | 机器学习 | NA | 数据插补技术 | KNNimpute, LLSimpute | 表格数据（包括生物医学和一般评估数据） | 五个数据集（NACC、三个NCBI微阵列数据集、Turkiye学生评估数据集） | NA | NA | 准确率, RMSE | NA |
| 165 | 2026-04-04 |
Machine Learning Discovery of Record-Low Lattice Thermal Conductivity in Double Perovskites
2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202515766
PMID:41701522
|
研究论文 | 本研究开发了一种深度学习原子间势能模型，用于高通量筛选双钙钛矿材料的晶格热导率，并发现了创纪录的低热导率材料 | 开发了Elemental-SDNNFF深度学习原子间势能模型，结合主动学习框架，实现了对数千种双钙钛矿材料声子性质的高效预测，并发现了各向同性块体材料中最低的晶格热导率记录 | 研究主要关注立方结构双钙钛矿，未涵盖所有可能的双钙钛矿结构类型 | 开发高效机器学习框架，用于快速筛选复杂材料的动态稳定性和准确预测声子传输性质 | 双钙钛矿材料（ABCD型） | 机器学习 | NA | 密度泛函理论（DFT）、深度学习原子间势能、玻尔兹曼输运方程、四声子散射计算、分子动力学模拟 | 深度学习原子间势能模型 | DFT计算力数据、材料结构数据 | 9709种立方双钙钛矿结构，其中1597种动态稳定候选材料 | 主动学习框架、DeePMD | Elemental-SDNNFF | 晶格热导率预测值、带隙值 | NA |
| 166 | 2026-04-04 |
A Self-Supervised Foundation Model Based on Three-Dimensional Chest CT Scans for Lung Cancer Diagnosis and Prognosis Prediction
2026-Mar, Radiology. Imaging cancer
DOI:10.1148/rycan.250360
PMID:41718531
|
研究论文 | 本研究开发了一种基于三维胸部CT扫描的自监督基础模型，用于肺癌的诊断和预后预测 | 提出了一种名为UCLIF的自监督胸部CT基础模型，通过对比掩码图像建模任务进行预训练，并在多中心数据集上微调，用于肺癌的组织学亚型分类、分期、生存和复发预测，性能优于主流深度学习和机器学习算法 | 研究为回顾性多中心研究，可能存在选择偏倚；模型在特定时间段（1958年至2019年）的数据上训练，可能无法完全代表最新临床实践 | 开发并评估一个基于三维胸部CT的自监督基础模型在肺癌临床任务中的性能 | 肺癌患者的胸部CT扫描图像 | 数字病理学 | 肺癌 | 三维胸部CT扫描 | 自监督学习基础模型 | 三维医学图像 | 预训练使用33,901例三维胸部CT扫描，下游评估包含656名患者 | NA | UCLIF（Unified CT-Based Lung Cancer Imaging Foundation） | 准确率, 敏感度, 特异度, AUC | NA |
| 167 | 2026-04-04 |
Pathomics Signature for Prognosis and CA19-9 Interception in Pancreatic Ductal Adenocarcinoma: A Real-Life, Multi-Center Study
2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202515952
PMID:41556438
|
研究论文 | 本研究开发并验证了一种基于深度学习的自动化预后模型，用于从胰腺导管腺癌（PDAC）患者的数字化全切片图像中提取病理组学特征，以预测患者预后并指导治疗决策 | 首次在多中心真实世界研究中，利用CrossFormer架构从常规H&E切片中自动提取预后特征，并揭示了CA19-9的预后价值在不同风险组中的差异性，为个性化治疗提供了新见解 | 研究仅基于手术切除患者，未包含晚期或不可切除患者；模型在更广泛人群中的泛化能力仍需进一步验证 | 开发并验证一种基于深度学习的自动化预后模型，用于胰腺导管腺癌患者的风险分层和治疗指导 | 873名接受手术切除的胰腺导管腺癌（PDAC）患者 | 数字病理学 | 胰腺癌 | 深度学习，数字化全切片图像分析 | 深度学习模型 | 数字化全切片图像（H&E染色） | 873名PDAC患者，来自三个学术中心 | PyTorch | CrossFormer, ResNet-18, ResNet-50, DenseNet-121 | AUC（曲线下面积），风险比（HR），p值 | 未明确指定，但提及了深度学习训练所需GPU资源 |
| 168 | 2026-04-04 |
Foundation Model-Enabled Multimodal Deep Learning for Prognostic Prediction in Colorectal Cancer with Incomplete Modalities: A Multi-Institutional Retrospective Study
2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202510931
PMID:41556415
|
研究论文 | 本文提出了一种名为FLARE的多模态深度学习框架，用于结直肠癌的预后预测，能够处理不完整的多模态数据 | FLARE框架整合了病理图像、放射影像和临床文本报告，利用基础模型进行高效特征提取，采用注意力机制的多分支框架增强模态间的协同与独特性，并引入多样性促进损失函数，同时通过模态和缺失感知提示、伪嵌入及模态级增强策略有效处理数据不完整问题 | 研究为回顾性设计，可能存在选择偏倚；数据来自四个临床中心，但样本量（1679例患者）可能仍有限；未在外部独立队列中进行前瞻性验证 | 开发一个多模态深度学习框架，以准确预测结直肠癌患者的生存和进展风险，优化个性化治疗策略 | 结直肠癌患者 | 数字病理学 | 结直肠癌 | 多模态深度学习 | 深度学习 | 图像, 文本 | 1679名结直肠癌患者 | NA | 注意力机制的多分支框架 | 一致性指数, Kaplan-Meier分析 | NA |
| 169 | 2026-04-04 |
Social compatibility in opposite-sex prairie vole pairs is modulated by early-life sleep experience
2026-Mar, PLoS biology
IF:7.8Q1
DOI:10.1371/journal.pbio.3003434
PMID:41894400
|
研究论文 | 本研究利用深度学习工具分析草原田鼠异性配对间的社会互动，探讨早期睡眠经历如何影响社会亲和力 | 首次在非人类动物模型中量化神经类型匹配现象，模拟人类自闭症研究中的配对匹配效应 | 研究仅使用草原田鼠作为模型，未涉及其他物种或更复杂的社会行为评估 | 探究早期睡眠经历对成年后社会行为的影响，特别是神经类型匹配现象在动物模型中的表现 | 草原田鼠（Microtus ochrogaster）的异性配对 | 机器学习 | 自闭症 | 早期睡眠干扰（ELSD）模拟神经发育影响 | 深度学习 | 视频 | 未明确说明样本数量，但涉及控制组和ELSD组的草原田鼠配对 | 未明确说明 | 未明确说明 | 未明确说明 | 未明确说明 |
| 170 | 2026-04-04 |
Transformer-based deep learning model for real-time prediction of intraoperative hypotension using dynamic time-series vital signs: A retrospective study
2026-Mar, PLoS medicine
IF:10.5Q1
DOI:10.1371/journal.pmed.1005024
PMID:41880331
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型，利用动态时间序列生命体征数据实时预测术中低血压，并评估了其与术后急性肾损伤和急性肾脏疾病的关联 | 首次将Transformer架构应用于实时术中低血压预测，使用常规可得的连续生命体征时间序列数据而非高分辨率波形数据，并通过外部数据集验证了模型的泛化能力 | 研究为回顾性设计，需要前瞻性、多中心验证来确认模型的实时适用性和泛化性 | 开发并验证一种能够实时预测术中低血压的深度学习模型，并评估术中低血压负担与术后肾脏并发症的关联 | 手术患者 | 机器学习 | 心血管疾病 | 动态时间序列生命体征监测 | Transformer, XGBoost | 时间序列数据 | 训练集包含中国一家三级医院的319,699例手术病例（2013-2023年），外部验证使用来自韩国的独立数据集 | NA | Transformer | AUC, 召回率, 准确率, 特异性, 预期校准误差 | NA |
| 171 | 2026-04-04 |
Hybrid deep learning with protein language models and dual-path architecture for predicting IDP functions
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag126
PMID:41921197
|
研究论文 | 本文提出了一种名为IDPFunNet的混合深度学习模型，用于预测内在无序区域（IDR）的六种功能类别 | 结合了卷积神经网络、双向LSTM、残差MLP和蛋白质语言模型ProtT5，采用双路径架构将结合预测与无序柔性连接子（DFL）识别解耦，并利用ProtT5进化嵌入显著提升了性能 | 未明确提及具体限制，但可能包括模型对特定数据集的依赖或计算资源需求 | 预测内在无序区域（IDR）的功能类别，以解决其动态构象导致的传统结构-功能注释困难 | 内在无序区域（IDR），包括五种结合亚型和无序柔性连接子（DFL） | 自然语言处理, 机器学习 | NA | 蛋白质语言模型（ProtT5）、进化嵌入 | CNN, LSTM, MLP | 蛋白质序列数据 | NA | NA | ResNet, Transformer | AUC, APS | NA |
| 172 | 2026-04-04 |
Expression of Concern on “A deep learning algorithm-based visual strategy intervention study for children with autism spectrum disorders - extraction and detection of children's behavioral features"
2026-03, European review for medical and pharmacological sciences
DOI:10.26355/eurrev_202603_37714
PMID:41925352
|
声明 | 期刊编辑与出版商针对一篇已发表论文中参考文献的相关性问题发布关切声明 | NA | 作者未对参考文献相关性质疑作出回应，问题尚未解决 | NA | NA | NA | 自闭症谱系障碍 | NA | 深度学习算法 | NA | NA | NA | NA | NA | NA |
| 173 | 2026-04-04 |
Side- and patient-based performance of a deep learning system based on the results of individual detection of carotid artery calcifications on panoramic radiographs
2026-Mar, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20250232
PMID:41928842
|
研究论文 | 本研究开发了两种用于全景X光片上颈动脉钙化诊断的深度学习系统，并比较了它们在钙化点、单侧和患者层面的诊断性能 | 开发了两种具有不同检测范围的深度学习系统（全图检测与双侧颈部区域限制检测），并首次系统比较了钙化点层面、单侧层面和患者层面三种评估方式的诊断性能 | 研究中观察到相对较多的假阳性病例 | 开发用于全景X光片上颈动脉钙化自动诊断的深度学习系统，并评估其在不同评估层面的性能 | 全景X光片图像 | 数字病理学 | 心血管疾病 | 全景X光摄影 | 深度学习检测模型 | 医学图像（X光片） | 580名患者（290名有颈动脉钙化，290名无钙化对照） | NA | NA | 召回率, 精确率, F1分数, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率, AUC | NA |
| 174 | 2026-04-04 |
YOLOv8m-segmentation for detecting cervical burnout and caries in bitewing radiographs: A deep learning approach
2026-Mar, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20250194
PMID:41928845
|
研究论文 | 本研究评估了YOLOv8m-seg模型在咬翼X光片上检测和描绘邻面龋及牙颈部烧灼伤的性能，并探讨了增加训练轮次对分割精度和一致性的影响 | 首次将YOLOv8m-seg模型应用于牙科X光片中同时检测龋齿和牙颈部烧灼伤，并系统研究了训练轮次对分割性能的影响 | 模型在非增强验证子集上的性能有所下降，未来需要在更广泛人群和多样化临床环境中评估模型的泛化能力 | 开发一种基于深度学习的自动检测方法，用于在咬翼X光片上区分邻面龋和牙颈部烧灼伤 | 咬翼X光片中的邻面龋和牙颈部烧灼伤病变 | 计算机视觉 | 牙科疾病 | 深度学习，图像分割 | YOLO | X光图像 | 1,410张咬翼X光片（1,128张训练，282张验证） | Ultralytics | YOLOv8m-seg | 精确率，召回率，mAP0.5，mAP0.5-0.95 | NA |
| 175 | 2026-04-04 |
scDBic: a novel deep learning-based biclustering algorithm for analyzing scRNA-seq data
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag095
PMID:41746287
|
研究论文 | 本文提出了一种基于深度学习的新型双聚类算法scDBic，用于分析单细胞RNA测序数据，以改善细胞聚类性能并识别关键基因 | 结合深度自编码器捕获基因表达主要信息，并采用反向策略识别细胞群的关键基因，从而提升聚类性能 | 未明确提及算法在高维数据中的计算效率或对大规模数据集的扩展性限制 | 开发一种专门针对scRNA-seq数据的双聚类算法，以更好地捕获细胞异质性并识别关键基因 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 自编码器 | 基因表达数据 | NA | NA | 深度自编码器 | NA | NA |
| 176 | 2026-03-02 |
Explainable deep learning and radiomics integration for differentiating insulinomas from NF-PNETs in EUS imaging
2026-Feb-28, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03388-2
PMID:41764459
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 177 | 2026-04-04 |
Multicenter clinicopathological study of odontogenic myxoma spectrum lesions using quantitative pathology
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42019-8
PMID:41760729
|
研究论文 | 本研究利用AI辅助数字病理学定量评估牙源性粘液瘤谱系病变的纤维组织比例，并探讨其临床病理相关性 | 首次在多中心研究中应用AI辅助数字病理学定量分析牙源性粘液瘤谱系病变的纤维组织比例，揭示了诊断的机构间变异性 | 样本量相对有限（100例），且仅基于Masson三色染色切片，可能未涵盖所有病理特征 | 定量评估牙源性粘液瘤谱系病变的纤维组织比例，并探索其临床病理意义 | 牙源性粘液瘤（OM）和牙源性粘液纤维瘤（OMF）的手术标本 | 数字病理学 | 牙源性肿瘤 | AI辅助数字病理学，Masson三色染色 | 深度学习 | 全切片图像 | 来自34家机构的143个手术标本，经集中病理审查后纳入100例 | NA | 多阶段深度学习流程 | 专家评估与定量测量的一致性 | 统一的数字病理学平台 |
| 178 | 2026-04-04 |
IntelliScheduler: an edge-cloud computing environment hybrid deep learning framework for task scheduling based on learning
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41330-8
PMID:41760833
|
研究论文 | 本文提出了一种名为IntelliScheduler的混合深度强化学习框架，用于边缘-云计算环境中的自适应任务调度 | 提出了一种结合运行时感知状态表示与基于学习的决策机制的混合行动者-评论家深度强化学习框架，并开发了基于学习的最优任务调度算法以最小化总任务执行延迟 | 当前评估基于仿真实验，尚未在实际动态边缘-云调度场景中进行验证 | 解决边缘-云计算环境中异构截止时间和变化工作负载下的任务调度问题，以提高服务等级协议合规性和服务质量 | 边缘-云计算环境中的任务调度 | 机器学习 | NA | 深度强化学习 | 混合行动者-评论家深度强化学习框架 | 仿真数据 | 在不同工作负载下进行的广泛仿真实验 | NA | 混合行动者-评论家架构，多缓冲区经验回放架构 | 归一化奖励，训练损失，运营成本，拒绝率，体验质量 | NA |
| 179 | 2026-04-04 |
Graph-based transformer to predict the octanol-water partition coefficient
2026-Feb-27, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01160-2
PMID:41761278
|
研究论文 | 本文提出了一种基于微调预训练GraphormerMapper模型的logP预测方法，名为GraphormerLogP，用于准确预测药物分子的亲脂性 | 首次将预训练的GraphormerMapper模型应用于logP预测，并构建了一个包含42,006个独特SMILES-logP对的大型多样化数据集GLP | 未明确提及模型在特定分子类型或复杂结构上的泛化能力限制 | 开发一种高精度的logP预测方法以支持药物发现与开发 | 药物分子的亲脂性（logP值） | 机器学习 | NA | 图基深度学习 | Transformer | 分子图（SMILES表示） | 总计55,694个分子（GLP数据集42,006个，基准数据集13,688个） | PyTorch | GraphormerMapper | 平均绝对误差 | NA |
| 180 | 2026-02-28 |
Clinically interpretable deep learning for pediatric dental age estimation with explainable AI
2026-Feb-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07961-z
PMID:41742153
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |